論文の概要: Causal Discovery from Incomplete Data using An Encoder and Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2006.05554v1
- Date: Tue, 9 Jun 2020 23:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 14:19:02.127120
- Title: Causal Discovery from Incomplete Data using An Encoder and Reinforcement
Learning
- Title（参考訳）: エンコーダと強化学習を用いた不完全データからの因果発見
- Authors: Xiaoshui Huang, Fujin Zhu, Lois Holloway, Ali Haidar
- Abstract要約: 新たなエンコーダと強化学習(RL)を用いて不完全データから因果構造を発見する手法を提案する。
エンコーダは、データ計算の欠如と特徴抽出のために設計されている。
本手法は不完全な観測データを入力として、因果構造グラフを生成する。
- 参考スコア（独自算出の注目度）: 2.4469484645516837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discovering causal structure among a set of variables is a fundamental
problem in many domains. However, state-of-the-art methods seldom consider the
possibility that the observational data has missing values (incomplete data),
which is ubiquitous in many real-world situations. The missing value will
significantly impair the performance and even make the causal discovery
algorithms fail. In this paper, we propose an approach to discover causal
structures from incomplete data by using a novel encoder and reinforcement
learning (RL). The encoder is designed for missing data imputation as well as
feature extraction. In particular, it learns to encode the currently available
information (with missing values) into a robust feature representation which is
then used to determine where to search the best graph. The encoder is
integrated into a RL framework that can be optimized using the actor-critic
algorithm. Our method takes the incomplete observational data as input and
generates a causal structure graph. Experimental results on synthetic and real
data demonstrate that our method can robustly generate causal structures from
incomplete data. Compared with the direct combination of data imputation and
causal discovery methods, our method performs generally better and can even
obtain a performance gain as much as 43.2%.
- Abstract（参考訳）: 変数の集合の中で因果構造を発見することは、多くの領域において根本的な問題である。
しかし、最先端の手法は、観測データが多くの現実の状況においてユビキタスな値(不完全データ)を欠いている可能性をほとんど考えない。
欠落した値がパフォーマンスを著しく損なうこと、因果発見アルゴリズムが失敗することさえある。
本稿では,新しいエンコーダと強化学習(RL)を用いて不完全データから因果構造を発見する手法を提案する。
エンコーダは、データインプテーションの欠如と特徴抽出のために設計されている。
特に、現在利用可能な情報(欠落した値)をロバストな特徴表現にエンコードすることで、最適なグラフを検索する場所を決定する。
エンコーダはアクター批判アルゴリズムを使って最適化できるRLフレームワークに統合される。
本手法は不完全な観測データを入力として因果構造グラフを生成する。
合成および実データによる実験結果から,不完全データから因果構造を頑健に生成できることが示唆された。
データ計算と因果探索の直接的な組み合わせと比較すると,本手法は概ね良好であり,43.2%以上の性能向上が得られる。
関連論文リスト
- Optimal Transport for Structure Learning Under Missing Data [31.240965564055138]
そこで本稿では,最適なトランスポートに基づくデータから因果構造を学習するためのスコアベースアルゴリズムを提案する。
我々のフレームワークは,ほとんどのシミュレーションや実データ設定において競合する手法よりも,真の因果構造を効果的に回復することが示されている。
論文 参考訳（メタデータ） (2024-02-23T10:49:04Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Greedy structure learning from data that contains systematic missing
values [13.088541054366527]
欠落した値を含むデータから学ぶことは、多くの領域でよくある現象である。
比較的少数のベイジアンネットワーク構造学習アルゴリズムが欠落データの原因となっている。
本稿では,2対の削除と逆確率重み付けを利用したグリージー検索構造学習の3つの変種について述べる。
論文 参考訳（メタデータ） (2021-07-09T02:56:44Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-12T20:49:20Z) - Establishing strong imputation performance of a denoising autoencoder in
a wide range of missing data problems [0.0]
トレーニングと計算の両方に一貫したフレームワークを開発します。
結果と最先端の計算手法を比較検討した。
開発されたオートエンコーダは、初期データ破損のあらゆる範囲において最小の誤差を得た。
論文 参考訳（メタデータ） (2020-04-06T12:00:30Z) - Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
本稿では,効率よく適応的なコード駆動グラフを提案する。
自動エンコーダのコンテキストでデコードすることで更新される。
ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
論文 参考訳（メタデータ） (2020-02-27T05:58:12Z) - Multiple Imputation with Denoising Autoencoder using Metamorphic Truth
and Imputation Feedback [0.0]
データの内部表現を学習するために,Denoising Autoencoder を用いた多重命令モデルを提案する。
我々は、属性の統計的整合性を維持するために、変成真理と帰納フィードバックの新たなメカニズムを用いる。
提案手法は,多くの標準的なテストケースにおいて,様々な欠落メカニズムや欠落したデータのパターンに対するインパルスの効果を検証し,他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-19T18:26:59Z) - Causal Discovery from Incomplete Data: A Deep Learning Approach [21.289342482087267]
因果構造探索と因果構造探索を反復的に行うために, 因果学習を提案する。
ICLは、異なるデータメカニズムで最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-01-15T14:28:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。